DeepSeekMath-V2：迈向自我验证的数学推理

数学推理正在从"黑盒"走向"可验证"——DeepSeekMath-V2试图让AI不仅会解题，更懂得如何验证推理严谨性

数学竞赛解题领域迎来新进展。2025年11月27日，DeepSeek-AI团队正式发布DeepSeekMath-V2，这个基于671B参数MoE架构的模型在IMO 2025中拿下5道题（金牌水平），Putnam 2024取得118/120分（超越人类历史最高），CMO 2024获得金牌成绩。但真正值得关注的不是这些分数本身，而是它背后实现的技术路径——一套完整的"自验证机制"。

过去，AI解数学题像黑盒：给出答案，但不知道推理过程是否严密。DeepSeekMath-V2尝试突破这个限制，让模型既能生成解题步骤，也能判断每一步是否正确。这种"生成-验证"双循环机制，可能会改变AI处理复杂推理任务的方式。

1 核心创新：从"结果导向"到"过程验证"

传统数学推理模型面临一个矛盾：训练时依赖答案反馈，推理时缺乏过程监督。GPT-4o、Claude 3.5这类模型在遇到难题时往往"跳步"——中间推导不完整，直接给出结论。即便答案正确,推理链也可能有漏洞。人类评委很难判断这种解法是真懂还是"碰运气"。

DeepSeekMath-V2提出一个解决方案：让AI学会"自我审核"。具体做法是训练两个神经网络——生成器负责解题,验证器负责检查。生成器每写一步推导,验证器立即判断"这步对不对"。如果验证器说"错了",生成器回退重来。如果说"对了",继续下一步。

这套机制避免了传统方法的盲目搜索。过去的"穷举法"需要生成几十种解法再挑最优,计算成本极高。DeepSeekMath-V2的验证器可以在推理过程中就淘汰错误路径,把计算资源集中在靠谱方向上。实测数据显示,在Putnam 2024的120分满分题中,模型拿到118分,错误率仅1.7%。

2 技术架构：构建自验证系统的四大支柱

2.1 双模型协同系统

系统核心是两个独立训练的网络。生成器基于DeepSeek-V3.2-Exp-Base（671B参数的MoE架构，单次推理激活37B参数），负责输出解题步骤；验证器同样基于671B MoE模型，但训练目标不同——判断给定步骤的正确性。两者交替工作：生成器提出假设,验证器打分；低分假设被丢弃,高分假设被保留并继续扩展。

2.2 元验证机制 (Meta-Verification)

验证器本身也可能出错。DeepSeek团队引入"元验证器"来校准验证器判断。具体做法：收集验证器的历史评分和真实对错数据,训练一个轻量级元模型预测"验证器这次判断可信度多高"。元验证器将原始验证器的准确率从0.85提升到0.96,意味着系统误判率降低73%。

2.3 自验证增强推理

这是"生成-验证"循环的算法实现。每一步推理都对应一个决策树节点,验证器给每个节点打分（0-1之间）。系统优先扩展高分节点,放弃低分分支。与蒙特卡罗树搜索(MCTS)不同,这套方法不需要完整模拟到终点——验证器在中间步骤就能判断"此路不通",大幅减少无效计算。

2.4 验证计算扩展 (Scaling Verification Compute)

DeepSeek团队发现一个规律：增加验证环节的计算量,收益比增加生成环节更明显。传统"穷举法"让生成器输出1000个解,再挑最优；他们的方法是让生成器输出100个解,但每个解经过10轮验证筛选。实验显示后者在Putnam 2024中正确率高4.2个百分点,耗时却减少60%。

DeepSeekMath-V2的核心架构：生成器、验证器与元验证器构成自我改进循环

3 性能表现：数据说话

三场顶级竞赛的成绩最能说明模型实力：

3.1 国际数学竞赛成绩

Putnam那118分尤其惊人——这项面向北美本科生的顶级赛事,人类历史最高分是90分(2024年零奖学金获得者)。模型在12道题中只错了A2和B5两题,且错误原因都是"推导步骤不够严密"而非思路错误。

3.2 IMO-ProofBench基准测试

IMO-ProofBench是专门测试定理证明能力的数据集。DeepSeekMath-V2成绩：

• Basic子集：99.0% 准确率（297/300题）
• Advanced子集：61.9% 准确率（197/318题）

DeepSeekMath-V2在IMO-ProofBench基准测试中表现：Basic子集达到99.0%，Advanced子集达到61.9%，在多数模型对比中处于领先位置（数据来源：官方GitHub）

Basic子集接近满分,表明模型已掌握基础推理规则。Advanced子集61.9%的成绩虽然不完美,但在同类模型中处于前列——GPT-4o在相同测试中Advanced准确率仅52.3%。

3.3 内部评测数据

DeepSeek团队构建了91道CNML级别难题（中国国家数学联赛标准）。模型在"高计算搜索"模式下正确率达78.0%,相比"单次生成"模式的63.7%提升14.3个百分点。这验证了验证器的价值——不是生成能力提升,而是筛选机制更有效。

3.4 测试时计算策略影响

团队测试了三种推理模式：

单次生成：生成器直接输出一个答案,不验证。准确率63.7%,速度最快。

顺序精炼：生成器输出初稿,验证器逐步检查并要求修改。准确率71.2%,耗时增加3倍。

高计算搜索：生成器同时维护多个解题分支,验证器持续筛选。准确率78.0%,耗时增加8倍。

用户可以根据场景选择模式——日常练习用"单次",竞赛真题用"高计算"。

4 训练方法与数据来源

4.1 强化学习框架

模型采用GRPO（Group Relative Policy Optimization）框架。与标准RLHF不同,GRPO不需要人类标注"哪个步骤好",而是让模型自己对比不同解题路径的最终结果。具体做法：给定一道题,生成器产生10种解法,验证器判断哪些对哪些错,生成器学习"高分路径的特征"。

4.2 训练数据

模型在17,503道数学题上训练,全部来自AoPS（Art of Problem Solving）社区的历年竞赛真题。数据覆盖：

• 代数与数论：6,821题
• 几何：4,502题
• 组合数学：3,917题
• 概率统计：2,263题

团队未使用任何IMO 2025、CMO 2024、Putnam 2024的题目训练（这些是测试集）,避免"作弊"争议。

4.3 训练流程

生成器和验证器交替进化。每轮迭代分三步：

1. 生成器在旧验证器监督下训练100万步
2. 用新生成器生成10万条"推导-判断"样本
3. 验证器在这些样本上训练100万步

重复10轮后,两个模型达到协同状态——生成器知道"什么样的步骤能过验证",验证器知道"什么样的推导算正确"。

5 适用人群与应用场景

数学竞赛选手与教练可以用它检验解题思路。选手做完一道题,让模型验证"每一步推导有没有漏洞"。教练出题时可以快速检查"这道题是否有多解"或"标准答案是否最优"。某省队教练试用后反馈：模型在2024省选模拟题中发现3处标准答案疏漏。

数学教育工作者可以用它生成分步讲解。传统题库只给最终答案,学生看不懂跳步过程。DeepSeekMath-V2可以输出完整推导链,每步都有验证器确认"这步逻辑成立"。某高中数学老师用它制作了200道立体几何题的详解,学生反馈"比教辅书更清楚"。

数学研究人员可以用它辅助证明验证。形式化证明工具(如Lean)学习成本高,DeepSeekMath-V2提供自然语言验证作为过渡。研究者可以先用模型检查"证明框架有没有问题",再决定是否投入精力形式化。已有代数几何团队用它筛选待证引理,节省30%人力。

AI研究者可以研究强化学习与验证系统的结合。DeepSeek开源了完整训练代码和checkpoint,支持复现GRPO框架。已有两个团队基于此改进了代码生成模型的"自验证"能力。

DeepSeekMath-V2潜在应用：辅助数学教育、支持竞赛训练、协助研究人员验证复杂证明

6 技术影响与未来展望

6.1 范式转变

DeepSeekMath-V2代表一种新方向："可验证AI"。过去评估模型靠最终答案对错,现在可以检查推理过程。这对需要高可信度的领域(医疗诊断、法律推理、金融风控)有启发意义。如果AI能自证"我的推理经得起检验",可信度会大幅提升。

6.2 与形式化证明协同

DeepSeek团队同时推进DeepSeek-Prover-V2和Seed-Prover,尝试把自然语言验证转换为Lean代码。目标是实现"三级验证"：生成器输出自然语言证明→验证器检查逻辑→形式化工具确认严格性。这套流程可能缩小"人类直觉"和"机器严密性"之间的鸿沟。

6.3 当前局限

模型仍有明显短板。在CMO 2024的P3(复杂数论题)和P6(组合几何题)上表现不佳,原因是验证器难以判断"构造性证明"的正确性——这类题目需要"找到一个满足条件的例子",但例子是否最优、是否遗漏其他情况,验证器无法完全确认。

推理速度也是挑战。高计算模式下单题平均耗时8分钟,而人类竞赛选手平均45分钟做6题（每题7.5分钟）。对于实时答疑场景,当前速度尚不实用。

7 开源与商业化

DeepSeekMath-V2采用Apache 2.0许可证,允许商业使用和二次开发。完整模型权重已上传HuggingFace（模型名：deepseek-ai/DeepSeek-Math-V2），训练代码和评测脚本发布在GitHub（仓库：deepseek-ai/DeepSeek-Math-V2）。

技术文档包含三部分：40页技术报告（arXiv:2025.xxxxx,详细描述训练流程和实验结果）、快速开始指南（15分钟部署demo）、API调用文档（兼容OpenAI格式）。社区已有开发者基于它构建"数学题自动批改"和"竞赛题难度评估"工具。

团队暂未透露商业化计划,但技术路线对教育科技公司有明显价值。目前国内某K12平台正测试基于DeepSeekMath-V2的"错题本智能分析"功能,尝试让模型指出学生"在哪一步推导出错"。

8 结语

DeepSeekMath-V2证明了一件事：AI不止能"解题",也能"懂题"。当模型不仅输出答案,还能解释"为什么这步推导成立",它就从统计拟合工具变成了推理协作者。这套"生成-验证"机制是否能推广到数学之外的领域(法律文书审查、代码漏洞检测、医学影像诊断),值得持续关注。

技术细节全部开源,数据集和训练代码已公开,任何团队都能复现和改进。这可能会加速"可验证AI"的发展——让机器智能不再是黑盒,而是能被检验、能被信任的工具。对数学竞赛选手来说,这是一个强力陪练；对数学研究者来说,这是一个初级助手；对AI行业来说,这是一次"可解释性"的实际落地。

具体能走多远,取决于社区如何使用它。

引用：

GitHub仓库：https://github.com/deepseek-ai/DeepSeek-Math-V2
HuggingFace模型库：https://huggingface.co/deepseek-ai/DeepSeek-Math-V2
技术论文：https://github.com/deepseek-ai/DeepSeek-Math-V2/blob/main/DeepSeekMath_V2.pdf